灰色神经网络交通事故预测比较

针对BP神经网络多变量输入难以确定的缺点,提出了采用灰色关联分析法确定主要影响因子输入的多因子灰色关联分析神经网络预测模型,实例证明,该方法预测精度优于全输入BP神经网络预测。进一步提出了应用选优BP神经网络输入预测和GM(1,N)组合预测的模型,它结合了灰预测利用少数据累加生成建模,容易找出数据变换规律的特点和神经网络能很好地非线性逼近,又需要较全数据的特点。实证研究结果表明,该组和网络模型获得了更准确的预测值,模型新颖,具有更好的预测精度,可广泛应用于各种预测研究,有较高的推广价值。     

熵在空气质量指数(AQI)预测中的应用

为了更准确地找出影响空气质量指数的气象因子与提高其预测精度,提出了基于熵、BP神经网络和时间序列模型的组合预测模型。该方法利用增加了特征变量的转移熵方法,得到影响AQI的气象因子及其影响度,将得到的气象因子与AQI实测值作为BP神经网络的输入因子和时间序列分析模型的特征因子,影响度作为BP神经网络输入因子的初始权重,构建BP神经网络预测模型和时间序列分析预测模型,最后用熵值法组合各个预测模型的预测结果。实验表明利用该方法对空气质量指数进行预测可提高其预测精度。     

区域工业用水量非线性预测模型的优选

针对BP神经网络在确定输入因子时的任意性,将相关性分析引入BP神经网络输入因子的选取中,通过计算输入因子和输出因子之间的相关系数,并根据相关程度来确定输入因子,同时利用遗传算法优化BP神经网络的权值和阈值的方法,建立了改进BP神经网络模型.将该模型应用于永定河山区工业用水量预测中,通过和传统非线性回归法进行比较,结果表明改进BP神经网络拟合和预测精度均较高.改进BP神经网络法的平均相对误差达到1.4100/,预测的2010年和2030年工业用水量将分别达到3.63×108m3和4.46×108m3.预测结果可为水资源规划和管理提供依据.     

基于遥感和GIS改进SRM融雪径流的模拟及分析

融雪径流是内陆区重要的径流来源,径流模拟是水文预报的主要手段。本文选择克兰河流域为研究区,以2008年3-5月为例,基于遥感和GIS技术构建了一个改进SRM融雪径流模型,并引入DEM和遥感数据作为空间数据基础,以获取研究区雪深、雪盖、空间温度和降水信息。模拟结果表明:改进式模型能直观反映融雪径流的空间分布,反应融雪径流的变化过程;本模型模拟的2个优度指标为:Nash-Sutcliffe系数R2=0.83。和体积差Dv=6.81%;但由于对遥感数据质量要求较高,本模型对逐日径流量的细节模拟仍然存在一定误差。该研究方法及结果对高寒无资料区的径流预测具有重要意义。     

基于小波神经网络的期权定价模型

Black-Scholes模型所要求的假设条件在真实的市场条件下往往不能满足.提出了一种新的应用小波神经网络进行预测的欧式期权定价模型.将期权按钱性进行分类, 以一种新的加权的隐含波动率作为神经网络的输入变量,通过小波神经网络模型、BP网络模型和Black-Scholes模型来预测香港恒指买权的价格.实证结果表明,将一种加权的隐含波动率作为输入变量的小波神经网络模型优于Black-Scholes模型和其他神经网络模型.因此该模型可以更有效地预测欧式期权价格.     

西安市空气污染指数的神经网络预测模型

将BP神经网络模型引入到大气污染预测预报领域,利用西安市2005-2010年逐日空气污染指数,建立了一个空气污染指数的非线性时间序列神经网络模型.实验结果表明:独立样本的日空气污染指数的预测值的平均相对误差分别为27.4%,23.2%,12.2%,25.7%,独立样本的日空气污染指数的预测值与真实值的线性相关系数高.该...     

改进灰色神经网络的作动系统功率预测

为提高飞机上作动系统的功率预测精度,建立了改进的多变量灰色神经网络预测模型。考虑了对系统功率需求有较大影响的相关因素,采用主成分分析法提取综合变量作为输入,在提升准确性的基础上有效减少了输入维数;在利用递增方式对初始值进行选择的过程中,引入粒子群优化算法快速求解最优初始值和背景值,模型预测的平均误差由13.35%降为7.53%;考虑到序列波动对预测精度的影响,采用BP神经网络对预测值进行误差修正,进一步将模型的平均预测误差降为4.07%。仿真实验表明,含主成分分析的改进灰色神经网络对飞机作动系统的功率有较高的预测精度,有利于飞机的电能调度。     

新疆天山玛纳斯河流域高分辨率积雪遥感研究进展

新疆天山北麓玛纳斯河流域冬、春季积雪覆盖,高山冰川发育,是我国西北干旱区的典型流域,其冰雪融水对北疆工农业生产和生态环境具有重要意义.近五年来,在流域开展5次科学考察、积雪常规观测和星地同步观测,利用GF-1PMS(Panchromatic and Multi-Spectral)和WFV(Wide Field of View)、HJ-1CCD(Charge-Coupled Device)和IRS(Infrared Scanner)等国产高分光学遥感数据和C波段RADARSAT-2、ENVISAT ASAR等合成孔径雷达数据,探索山区复杂地形条件下的综合辐射校正方法,建立积雪识别模型获取积雪覆盖范围、积雪表面类型和积雪干湿状况,建立积雪参数反演模型获取雪粒径、雪深和雪水当量,分析流域积雪变化特征与雪盖衰退过程,进行流域融雪径流模型的参数率定、模拟与预报,为流域水资源合理利用与调配提供科学依据.     

基于SBAS-InSAR技术钢桁梁结构桥梁形变信息提取与分析

针对传统桥梁监测技术监测时间不连续、只能依靠现有监测数据分析桥梁形变的问题,以南京大胜关长江大桥为研究对象,利用SBAS-InSAR技术获取2018—2019年的桥梁形变结果,以桥梁形变结果中的平均形变速率和LOS向时间序列形变量为输入集,分别构建BP神经网络时间序列模型来预测桥梁的形变量。结果表明：平均形变速率预测模型和LOS向时间序列形变预测模型的预测值与InSAR观测值之间的平均绝对误差分别为1.54、1.28 mm,均方误差分别为1.81、1.34 mm,均方根误差分别为1.81、1.53 mm,表明时间序列形变预测模型的可行性,为未来的桥梁形变预测提供了有力支撑。     

小波变换集遗传算法神经网络的径流预测建模

为获得更精确的径流预报结果,利用dmey小波变换对径流时间序列分解为高频信号和低频信号,再使用遗传算法优化的BP神经网络分别对其进行预测,最后利用dmey小波逆变进行重构,以此建立径流总量预测模型。通过对柳江径流总量进行实例分析,并与遗传算法优化的神经网络模型、BP神经网络模型及传统的时间序列分析方法对比,该方法获得更准确的预测结果。研究结果表明该模型能充分反映径流时间序列趋势,预报稳定性好,预报准确率高,为径流时间序列预测提供一个有效建模方法。     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO-BP算法在洪水预测应用中建立预测模型.以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性.采用改进的PSO-BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值.通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率.     

基于集合经验模态分解和 BP 神经网络的北京市 PM2.5 预报研究

利用集合经验模态分解算法(EEMD)和 BP 神经网络组成的混合模型, 对北京城区PM_2.5浓度值进行短期预报。结果表明, 与单独使用BP神经网络模型相比, EEMD-BP混合模型的预报准确率更高; 混合模型高频部分的预报误差是整体误差的主要方面; 混合模型的输入变量中需包含输出变量的信息; 前期污染物浓度的数值对模型的预报结果有较大的影响。     

基于相关向量机的富水砂层渣土改良试验效果预测

为了精准、高效获得富水砂层渣土改良试验效果,以渗透系数、内摩擦角(改良前)、电阻率、泡沫剂浓度和膨润土浓度为输入变量,坍落度、渗透系数、内摩擦角(改良后)为输出变量,并基于24组富水砂层渣土改良数据,建立相关向量机(rel-evance vector machine,RVM)预测模型,将预测结果与反向传播(back propagation,BP)神经网络模型进行对比分析.结果表明:RVM模型在预测坍落度、渗透系数和内摩擦角时的平均误差分别为0.73％、0.38％和2.24％,优于BP神经网络模型的1.76％、4.53％和3.60％;通过计算皮尔逊相关系数,可知RVM预测值与实测值对应坍落度、渗透系数、内摩擦角的相关系数r分别为0.9999、0.9993和0.9878,说明拟合程度极高.由此可见,RVM模型具有预测精度高、可靠性高的优点,为富水砂层渣土改良试验效果的预测提供一种新方法.     

基于小波神经网络的空气污染指数预报

针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的小波神经网络预报模型。利用小波对原始的空气污染指数序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,使用该模型对兰州地区的空气污染指数进行了预测。仿真结果表明,与传统的BP神经网络相比,该模型具有更高的预测精度、更快的收敛...     

基于遗传BP神经网络的三七价格预测

为提高三七药材价格的短期预测准确性,利用遗传算法的全局搜索能力对BP神经网络的初始权值和阈值进行优化,建立了基于BP神经网络的三七药材价格预测模型.采用连续K月三七价格的滚动预测方式,对下一个月进行预测.通过三七价格时间序列自回归分析确定K值为2,以连续2个月的三七价格作为BP的输入变量,预测其后一个月的三七价格,并对三七价格的BP神经网络模型和传统时间序列预测模型ARIMA进行分析比较.实验结果表明:遗传算法优化的BP神经网络具有更高的预测精度,且比ARIMA模型对价格骤变情况更敏感.     

人工神经网络在苏州空气污染预报中的应用

人工神经网络在预测预报领域的应用越来越广泛。简单介绍了BP神经网络的基本原理,较详细地回顾了国内BP神经网络在空气污染预报领域的研究应用情况,并建立了苏州市区SO2浓度预报的BP神经网络,预报结果表明:该模型具有简便、快速、准确的优点,可推广用于其它空气污染物的预报。     

基于改进BP神经网络的镁还原率预报研究

介绍了BP神经网络和遗传算法的原理及特点,简述了皮江法炼镁工艺流程。为了研究各工艺参数与镁还原率之间的关系,针对标准BP神经网络存在的收敛速率慢、易陷入局部极小值等缺陷,建立了以煅白活性度、配硅比、制球压力、还原时间、还原温度、真空度为输入,镁还原率为输出的基于遗传算法优化的BP神经网络镁还原率预报模型。利用筛选后的生产数据对模型进行训练和预测,结果显示该预报模型能够较为精确地预报镁还原率,预测误差在±1.0%范围内的命中率达96%,最大误差小于1.3%,一定程度上可用于指导皮江法炼镁工艺中工艺参数的选择。     

基于MODIS和SRM的拉萨河流域融雪径流模拟研究

积雪融水是高海拔地区重要的水资源补给,开展高海拔地区的融雪径流模拟研究具有重要的理论价值和现实意义.拉萨河流域是典型的高海拔地区,本文借助遥感和GIS技术,结合MODIS (moderate-resolution imaging spectroradiometer)遥感数据和DEM资料分析拉萨河流域不同高程的雪盖分布状况和雪盖衰退曲线.基于SRM(snowmelt runoff model)构建了拉萨河流域融雪径流模型,对流域2002-2003年融雪径流过程进行了模拟,确定性系数达0.80,模拟结果较好,基本反映了拉萨河流域融雪期的径流过程,初步探讨了缺资料地区融雪径流的模拟方法.     

基于ESMD-BP神经网络组合模型的中长期径流预报

径流预报的精度直接关系到流域水资源优化配置与综合利用的效益最大化.针对径流序列非线性、非平稳、直接预测精度低的特点,首次利用具有自适应性特点的极点对称模态分解(Extreme-point Symmetric Mode Decomposition,ESMD)方法对径流序列平稳化处理,结合可逼近任何非线性映射的误差反向传播网络(Back Propagation Neural Network,BP神经网络),建立ESMD-BP神经网络组合预报模型,并将其应用于黄河上游龙羊峡水库入库站唐乃亥站月径流和旬径流预报.首先,利用ESMD方法将径流序列中不同尺度的分量和趋势分量逐级提取出来,甄别了大尺度循环和非线性趋势;进而,分析径流周期和趋势变化规律;然后,利用BP神经网络将非平稳径流序列的直接预测转化为平稳的模态分量和趋势余项的预测,加和重构得到最终预测结果.并与单一BP神经网络、经验模态分解(Empirical Mode Decomposition,EMD)与BP神经网络组合模型作对比,结果表明:ESMD-BP神经网络组合模型的预报误差最小、预报精度最高.组合模型为"分解→预测→重构"模式,结合了EMD数据自适应分析和BP神经网络非线性映射的优点,提高了径流预报的准确率,为水文预报精度的提高开辟了新思路.